Công cụ chuyển đổi HTK sang WAV

HTK là container dạng sóng gốc cho Hidden Markov Model Toolkit, bộ phần mềm được phát triển tại Khoa Kỹ thuật Đại học Cambridge phục vụ nghiên cứu nhận dạng giọng nói. Phân phối lần đầu vào năm 1993, HTK nhanh chóng trở thành nền tảng tham chiếu trong các phòng thí nghiệm ngôn ngữ học tính toán trên toàn thế giới, và định dạng tệp của nó cũng lan rộng theo. Mỗi tệp lưu một chuỗi vector tham số hoặc mẫu thô kèm tiêu đề 12 byte chỉ định số khung, chu kỳ khung tính bằng đơn vị 100 ns, số byte mỗi khung, và mã loại chỉ ra kiểu dữ liệu — các tùy chọn dao động từ PCM dạng sóng đến hệ số cepstral tần số Mel và năng lượng bộ lọc. Tính đa dụng này cho phép một container duy nhất chứa cả âm thanh nguồn lẫn đặc trưng đã trích xuất mà không cần thay đổi bộ phân tích. Tiêu đề cố ý tối giản không có padding căn chỉnh hay khối tùy chọn, khiến định dạng cực kỳ dễ đọc từ C, Python hoặc MATLAB chỉ với vài dòng I/O nhị phân. Ba ưu điểm làm nên sự bền vững của HTK: tích hợp chặt chẽ với pipeline huấn luyện và nhận dạng HTK, bố trí byte xác định loại bỏ mơ hồ trong phân tích, và được áp dụng rộng rãi trong các kho dữ liệu học thuật.

WAV (Waveform Audio File Format) là bộ chứa âm thanh không nén do Microsoft và IBM cùng phát triển, công bố lần đầu vào tháng 8 năm 1991 cùng với Windows 3.1. Được xây dựng trên Resource Interchange File Format (RIFF), WAV lưu trữ dữ liệu âm thanh — phổ biến nhất là điều chế mã xung tuyến tính (LPCM) — cùng siêu dữ liệu mô tả tần số lấy mẫu, độ sâu bit và số kênh. Cấu trúc đơn giản này đã biến WAV thành tiêu chuẩn thực tế cho âm thanh không nén trên Windows và định dạng trao đổi được chấp nhận phổ quát trên hầu như mọi hệ điều hành, trình chỉnh sửa âm thanh và trình phát media hiện có. Tệp WAV chất lượng CD sử dụng mẫu 16-bit ở 44,1 kHz stereo, trong khi quy trình chuyên nghiệp thường dùng mẫu 24-bit hoặc 32-bit float ở tần số lên đến 192 kHz. Ưu điểm lớn là chất lượng không tổn hao: vì WAV tiêu chuẩn không áp dụng nén, dữ liệu lưu trữ là bản sao kỹ thuật số chính xác của bản ghi gốc, khiến nó là lựa chọn ưu tiên cho mastering và lưu trữ. WAV cũng hỗ trợ siêu dữ liệu nhúng qua chunk INFO và BWF, cho phép đánh dấu thời gian và ghi chú sản xuất. Đánh đổi chính là kích thước tệp — một phút stereo chất lượng CD chiếm khoảng 10 MB — và cấu trúc RIFF 32-bit áp đặt giới hạn 4 GB, dù RF64 đã loại bỏ giới hạn đó.